View of PENERAPAN DATA MINING DALAM MEMPREDIKSI INFLASI LISTRIK DAN BAHAN BAKAR RUMAH TANGGA MENGGUNAKAN METODE REGRESI LINEAR

(1)

639

PENERAPAN DATA MINING DALAM MEMPREDIKSI INFLASI LISTRIK DAN BAHAN BAKAR RUMAH TANGGA MENGGUNAKAN METODE REGRESI LINEAR

Putra Edi Mujahid¹⁾, Jansen Yudistira Sembiring Meliala²⁾, Albert Pratama Sembiring³⁾

1-3 Fakultas Sains dan Teknologi, Universitas Prima Indonesia

email: ¹[email protected], ²[email protected], ³[email protected]

Abstract

In a period of several years, the Indonesian economy has experienced low inflation in all sectors, including Indonesia's electricity and fuel. This increase in the price of electricity and household fuel can trigger inflation in other economic sectors, because these two things are necessities human tree. The purpose of this study is to analyze the application of data mining in predicting household electricity and fuel prices using the regression method. Electricity and house gas prices are important indicators related to financial stability and public health. This study uses data mining methods to identify patterns and trends in local electricity and gas prices. The linear regression method is used as an analytical tool to develop predictive models based on historical data. The dataset was obtained through the Central Statistics Agency from 2021 to 2022 which includes monthly inflation data from 90 cities throughout the year. The results of this study are predictions of annual inflation that will occur. Using data mining and linear regression methods, this research has the potential to be a useful tool for generating better home electricity and fuel price control strategies. This research can also be the basis for further research in the same or other fields.

Keywords Data Mining, Inflation, Linear Regression, Method, Analytical

1. PENDAHULUAN

Pada beberapa tahun belakangan ini kita dapat merasakan kenaikan harga yang signifikan seperti naiknya harga dari bahan bakar kendaraan, bahan pangan dan juga kenaikan dari tagihan listrik dan bahan bakar rumah tangga seperti gas LPG dan juga minyak goreng. Inflasi merupakan suatu peristiwa. Inflasi adalah suatu gejala dimana tingkat harga umum mengalami kenaikan secara terus menerus.

Kenaikan harga dari satu dua barang saja tidak dapat disebut inflasi, kecuali bila kenaikan tersebut meluas kepada (atau mengakibatkan kenaikan) sebagian besar dari harga barang- barang lain [1].

Inflasi adalah suatu gejala dimana tingkat harga umum mengalami kenaikan harga secara terus menerus [2]. Dalam kondisi inflasi, daya beli uang menurun karena jumlah uang yang beredar lebih banyak dibandingkan dengan jumlah barang dan jasa yang tersedia. Akibatnya, masyarakat perlu membayar lebih banyak uang untuk membeli barang dan jasa yang sama seperti

sebelumnya. Inflasi biasanya diukur sebagai persentase kenaikan indeks harga dari periode sebelumnya, yang sering dilakukan secara tahunan. Indeks harga yang umum digunakan Indeks Harga Konsumen (IHK) merupakan salah satu indikator ekonomi penting yang dapat memberikan informasi mengenai perkembangan harga barang/jasa yang dibayar oleh konsumen [3].

Dampak inflasi yang kompleks meliputi menurunnya daya beli masyarakat, merugikan pendanaan masyarakat, memengaruhi keputusan investasi, dan redistribusi pendapatan [4]. Oleh karena itu, pemerintah dan bank sentral memiliki peran penting dalam mengendalikan inflasi melalui kebijakan moneter dan fiskal guna mencapai tingkat inflasi yang stabil dan terkendali. Dampak dari terjadinya inflasi yaitu, menurunnya daya beli masyarakat, merugikan pendanaan masyarakat, dan dapat mempengaruhi keputusan investasi para investor [5].

Inflasi listrik dan bahan bakar rumah tangga adalah bentuk inflasi yang terjadi

(2)

640

khususnya pada sektor energi yang berdampak langsung pada biaya hidup dan belanja konsumen. Ini adalah bagian dari inflasi yang lebih luas yang mencakup seluruh perekonomian, tetapi fokus pada peningkatan harga energi.

Inflasi listrik terjadi ketika harga listrik secara umum mengalami kenaikan dari waktu ke waktu.

Hal ini dapat disebabkan oleh berbagai faktor, seperti kenaikan biaya produksi listrik, permintaan listrik yang tinggi, atau perubahan dalam kebijakan energi [6]. Inflasi listrik akan berdampak pada biaya hidup dan pengeluaran rumah tangga karena listrik adalah komponen penting dalam kehidupan sehari-hari untuk penerangan, alat elektronik, dan perangkat lainnya.

Sementara itu, inflasi bahan bakar rumah tangga terjadi ketika harga bahan bakar yang digunakan untuk keperluan rumah tangga, seperti bahan bakar minyak untuk memasak dan menghangatkan rumah, mengalami kenaikan.

Inflasi bahan bakar rumah tangga dapat disebabkan oleh perubahan dalam harga minyak mentah di pasar global, biaya produksi, dan juga kebijakan pemerintah terkait subsidi atau peraturan harga bahan bakar. Inflasi listrik dan bahan bakar rumah tangga dapat memberikan dampak yang signifikan pada tingkat inflasi secara keseluruhan, karena energi merupakan salah satu faktor penting dalam proses produksi dan kehidupan sehari-hari. Kenaikan harga energi ini juga bisa mempengaruhi daya beli masyarakat, mengarah pada perubahan pola konsumsi, dan mempengaruhi kebijakan pemerintah untuk menjaga stabilitas harga energi agar tetap terjangkau bagi masyarakat.

Data mining adalah suatu proses ekstraksi atau penggalian data yang belum diketahui sebelumnnya, namun dapat dipahami dan berguna dari database yang besar serta digunakan untuk membuat suatu keputusan bisnis yang sangat penting [7]. Data mining biasa juga disebut dengan “Data atau knowledge discovery”

atau menemukan pola tersembunyi pada data [8], [9]. Data mining adalah proses dari menganalisa data dari prespektif yang berbeda dan menyimpulkannya ke dalam informasi yang

berguna [10]. Data mining didefinisikan sebagai proses mengekstrak atau menambang pengetahuan yang dibutuhkan dari sejumlah data besar. Pada prosesnya data mining akan mengekstrak informasi yang berharga dengan cara menganalisis adanya pola-pola ataupun hubungan keterkaitan tertentu dari data-data yang berukuran besar.

Regresi linear adalah hubungan model secara linier antara variabel dependen dan variabel bebas untuk memprediksi nilai dari dependen jika variabel bebas mengalami perubahan nilai [11]. Analisis regresi dapat digunakan untuk melihat pengaruh antara variabel bebas (independen) dan variabel tidak bebas (dependen) [12]. Regresi linear dibedakan menjadi regresi sederhana dan regresi linear berganda. Regresi linear sederhana hanya terdapat satu variabel bebas dan satu variabel yang menjadi variabel tidak bebas dan regresi linear berganda apabila terdapat lebih dari satu variabel bebas [13].

Kegunaan dari analisis regresi linear adalah untuk mengetahui arah dan seberapa besar pengaruh variabel independen terhadap variabel dependen. Variabel yang dapat mempengaruhi sering disebut variabel dependen atau tidak bebas dan variabel yang mempengaruhi variabel lain disebut variabel independen atau variabel bebas.

Hasil akhir penelitian ini merupakan prediksi inflasi tahunan untuk tahun 2023 dengan memanfaat data inflasi pada tahun 2021 dan 2022.

2. METODE PENELITIAN

Penelitian ini bertujuan untuk melakukan analisis data menggunakan dataset yang diperoleh dari Badan Pusat Statistik (BPS) agar dapat digunakan untuk melakukan prediksi dengan menggunakan data mining dengan metode regresi linear. Tahapan penelitian yang akan diikuti mengikuti flowchart alur penelitian seperti yang terlihat pada gambar 1 dibawah ini.

(3)

641

Gambar 1. Flowchart Alur Penelitian

Gambar satu menggambarkan alur penelitian yang akan dijalani dalam tahapannya.

Tahapan awal adalah data preprocessing, yang terdiri dari tiga langkah, yaitu data cleaning, data transformation, dan data reduction. Data preprocessing adalah tahapan kritis dalam proses data mining, karena memastikan kualitas data sebelum dilakukan analisis lebih lanjut.

Langkah pertama dalam data preprocessing adalah data cleaning. Data cleaning berfokus pada identifikasi, koreksi, dan penghapusan kesalahan, inkonsistensi, dan ketidakkonsistenan dalam data [14]. Data yang tidak terstruktur atau kotor dapat menyebabkan kesalahan dalam analisis data dan menghasilkan kesimpulan yang salah. Oleh karena itu, penting untuk membersihkan data sebelum lanjut ke tahap berikutnya.

Selanjutnya, langkah kedua adalah data transformation. Data transformation melibatkan perubahan atau pemrosesan data asli untuk memperbaiki distribusi data, menghilangkan kecenderungan, atau memenuhi persyaratan analisis tertentu [15]. Transformasi data dapat meningkatkan interpretasi dan akurasi hasil analisis, sehingga memungkinkan proses data mining menjadi lebih efektif [16].

Langkah terakhir dari data preprocessing adalah data reduction. Data reduction bertujuan untuk mengurangi ukuran data yang besar

menjadi ukuran yang lebih kecil, tetapi tetap mempertahankan informasi yang penting dan relevan [17]. Pengurangan data menjadi lebih kecil akan membantu mengatasi masalah kompleksitas dan ukuran data yang besar, sehingga analisis data menjadi lebih efisien dan mudah dilakukan [18].

Selanjutnya tahap data preprocessing, langkah selanjutnya adalah memilah data.

Pemilahan data merupakan proses pembagian data menjadi dua bagian, yaitu data training dan data testing [19]. Data training akan digunakan untuk melatih model atau algoritma untuk mengajari model dalam mengenali pola dalam data [20]. Proses ini akan membantu model dalam proses prediksi berdasarkan pola yang telah dikenali dari data training. Sedangkan data testing digunakan untuk menguji kinerja model yang telah dilatih pada data training [21].

Data testing akan mengukur sejauh mana model mampu melakukan prediksi yang akurat dan memberikan evaluasi terhadap kualitas model yang telah dibuat. Setelah tahap data preprocessing dan memilah data, langkah selanjutnya dalam metodologi penelitian ini adalah membuat model. Tahapan ini melibatkan proses pembuatan model atau algoritma yang akan digunakan untuk melakukan analisis data dan prediksi [22]. Model yang dibuat akan didasarkan pada data training yang telah dipersiapkan sebelumnya. Proses pembuatan model ini dapat melibatkan berbagai teknik analisis dan algoritma, tergantung pada jenis masalah dan tujuan penelitian. Beberapa contoh algoritma yang sering digunakan dalam pembuatan model termasuk regresi linear, decision tree, decision tree vector machine, neural network, dan k-nearest neighbours.

Lalu yang terakhir, Evaluasi. Pada tahap evaluasi, model atau algoritma yang telah dibuat dan dilatih pada data training akan diuji kinerjanya menggunakan data testing atau data validasi yang telah dipisahkan sebelumnya.

Tujuan dari tahap evaluasi adalah untuk mengukur sejauh mana model atau algoritma tersebut mampu melakukan prediksi dengan akurat dan konsisten. Evaluasi dilakukan untuk

(4)

642

memahami seberapa baik model dapat memahami pola dan hubungan dalam data yang sebelumnya tidak dikenal oleh model. Jika hasil evaluasi menunjukkan bahwa model memiliki kinerja yang baik dan mampu memberikan prediksi yang akurat, maka model tersebut dapat dianggap sebagai hasil dari penelitian ini.

3. HASIL DAN PEMBAHASAN 3.1. Hasil

Dalam Tahap persiapan data ini, langkah pertama yang harus dilakukan adalah memahami datasheet yang akan digunakan nantinya, seperti memahami variabel-variabel yang digunakan dalam menganalisis nantinya. Didalam datasheet terdapat data mengenai inflasi listrik dan bahan bakar rumah tangga. Setelah data disiapkan dan dipahami kemudian data akan dianalisis menggunakan rapid miner.

Gambar 2 Preprocessing Data

Pada gambar 2 data inflasi tahunan digunakan sebagai variabel dependen atau label yang merupakan variable yang nantinya akan diprediksi. Sedangkan data inflasi pada tiap bulannya merupakan variabel independen dimana tipe datanya real karena mengandung nilai desimal. Variabel independen ini berisi informasi yang akan digunakan untuk mempelajari pola dan juga hubungan dengan variabel dependen.

Setelah menginput data kedalam rapid miner yang dilakukan selanjutnya ialah data cleaning dimana pada regresi linear datasheet tidak boleh terdapat missing value didalamnya,

karena jika terdapat missing value didalam variabel independen ataupun dependen dapat membuat estimasi parameter regresi linear dapat menjadi tidak akurat. Jika terdapat missing value di dalam datasheet filter example dapat digunakan untuk menghapus baris ataupun kolom yang mengandung missing value.

Pada rapid miner data inflasi tahunan nantinya akan digunakan sebagai variabel dependen atau Label yang merupakan variable yang nantinya akan diprediksi. sedangkan data inflasi pada tiap bulannya merupakan variabel independen dimana tipe datanya real karena mengandung nilai desimal. Variabel independen ini berisi informasi yang akan digunakan untuk mempelajari pola dan juga hubungan dengan variabel dependen.

Setelah menginput data ke dalam rapid miner yang dilakukan selanjutnya ialah data cleaning dimana pada regresi linear datasheet tidak boleh terdapat missing value di dalamnya, karena jika terdapat missing value di dalam variabel independen ataupun dependen dapat membuat estimasi parameter regresi linear dapat menjadi tidak akurat. Jika terdapat missing value di dalam datasheet, filter example dapat digunakan untuk menghapus baris ataupun kolom yang mengandung missing value

Gambar 3. Data Cleaning

Pada gambar 3 data-data yang memiliki missing value difilter, setelah data-data dibersihkan dari missing value, selanjutnya data akan menjadi dibagi menjadi 2 yang mana

(5)

643

nantinya 70% akan digunakan untuk data training dan 30% digunakan untuk data testing.

Pembagian ini dilakukan untuk mengoptimalkan kinerja dan evaluasi model yang dibangun,karena dengan menggunakan 70% data sebagai data training, model akan menyesuaikan parameter dan mengoptimalkan prediksi berdasarkan data training ini. Sedangkan 30% data testing untuk menguji kinerja model yang telah dilatih.

Gambar 4 Data Splitting

Pada gambar 4 ditunjukan pembagian data dengan ratio 0.7 dan 0.3 dimana 0.7 itu 70%

yang akan menjadi data training dan 0.3 itu 30%

yang akan menjadi data testing. Setalah melakukan split data, pembuatan model regresi linear dapat digunakan dengan menggunakan data training sebagai input ke dalam model regresi linear.

Gambar 5. Pembuatan Model

Pada gambar 5, dengan menggunakan data training sebagai input data, model regresi linear dapat mempelajari parameter parameter untuk menggambarkan hubungan antara variabel independen (input) dengan variabel dependen (output). Setelah model dilatih, model yang dilatih kemudian akan di testing dengan menggunakan model regresi linear dan juga data testing sebagai input seperti pada gambar 6.

Gambar 6 Pengujian Model

Output dari hasil pengujian model merupakan prediksi inflasi listrik dan bahan bakar rumah tangga pada tahun 2023

Gambar 7. Hasil Prediksi

Gambar 7 menunjukan hasil prediksi dengan menggunakan metode regresi linear setelah melewati tahap, mulai dari data cleaning, data training, data testing, sampai pembuatan model. Lalu model yang telah dibangun itu harus dievaluasi untuk melihat seberapa akurat prediksi dari model tersebut, menggunakan 30% dari data yang telah di testing seperti pada gambar 8.

Gambar 8. Evaluasi Model

(6)

644

Evaluasi model membantu dalam mencari kombinasi hiperparameter terbaik yang meningkatkan kinerja model dan memaksimalkan akurasi prediksi. Lebih dari itu, evaluasi model memberikan wawasan tentang batasan kemampuan model. Jika model tidak mencapai tingkat akurasi yang diharapkan, evaluasi dapat membantu mengidentifikasi sumber masalah, seperti dataset yang tidak tepat, ukuran dataset yang terlalu kecil, atau keterbatasan model itu sendiri.

Gambar 9. RMSE Model

Dalam analisis model regresi linear ini, kami mempresentasikan hasil evaluasi yang kami lakukan untuk mengukur kualitas dan kinerja model. Gambar 9 menampilkan nilai Root Mean Squared Error (RMSE) yang kami peroleh, yaitu sebesar 0.003 +/- (Root Mean Squared Error).

RMSE adalah metrik evaluasi yang sangat penting dalam analisis regresi, karena membantu mengukur tingkat akurasi prediksi model. Nilai RMSE yang lebih rendah menandakan bahwa model kami mampu memberikan prediksi yang lebih dekat dengan nilai aktual dari variabel dependen yang kami amati. Melalui proses evaluasi ini, kami bertujuan untuk mendapatkan nilai RMSE yang seminimal mungkin. Dengan begitu, model kami dapat dengan tepat menggeneralisasi dan memprediksi data yang belum pernah dilihat sebelumnya dengan akurasi yang tinggi.

3.2. Pembahasan

Inflasi terhadap listrik dan bahan bakar rumah tangga dapat memberikan pengaruh yang sangat besar terhadap produksi barang ataupun

penyediaan jasa dikarenakan jika listrik dan bahan bakar rumah tangga mengalami inflasi yang cukup tinggi, hal itu juga dapat mendorong inflasi terhadap sektor ekonomi kota yang mengalami inflasi listrik dan bahan bakar rumah tangga yang tinngi karena 2 hal itu merupakan hal pokok. Jika listrik mengalami inflasi maka suatu perusahaan harus menaikan harga jual jasa atau produk untuk mempertahankan profit.

Dengan itu memprediksi inflasi listrik dan bahan bakar rumah tangga merupakan hal yang penting untuk dapat membantu perorangan, keluarga ataupun suatu perusahaan untuk mengantisipasi kenaikan biaya listrik dan bahan bakar rumah tangga di masa depan dan mengatur anggaran. Hasil penelitian ini menunjukan bahwa data mining dan metode regresi linear dapat digunakanuntuk memprediksi inflasi listrik dan bahan bakar rumah tangga dengan berdasarkan hasil dari nilai RMSE juga menunjukan model memiliki tingkat akurasi yang cukup tinggi.

4. KESIMPULAN

Hasil evaluasi model regresi linear dan nilai Root Mean Squared Error (RMSE) yang kami capai dalam penelitian ini memiliki implikasi yang sangat signifikan. Temuan ini memberikan landasan kuat bagi kesimpulan dan hasil penelitian kami, dan memberikan keyakinan bahwa model yang kami gunakan mampu memberikan prediksi yang sangat baik dan relevan terhadap data yang kami analisis. Sebagai penulis jurnal, kami merasa percaya diri bahwa kontribusi dari evaluasi model ini akan memberikan nilai tambah yang berharga bagi komunitas penelitian.

Nilai RMSE yang rendah menunjukkan bahwa model regresi linear kami mampu memberikan prediksi yang sangat dekat dengan nilai aktual dari variabel dependen yang kami teliti. Hasil evaluasi ini mengindikasikan kemampuan model dalam menggeneralisasi dan memprediksi data yang belum pernah dilihat sebelumnya dengan akurasi yang tinggi. Dengan menekankan penggunaan metrik RMSE sebagai tolak ukur evaluasi, kami berharap temuan ini dapat memberikan wawasan dan pemahaman

(7)

645

yang lebih baik bagi pembaca mengenai kinerja model regresi linear dalam konteks penelitian kami.

Hasil evaluasi yang kuat dan berdaya guna ini menjadi kontribusi penting dalam penulisan jurnal kami, dan kami berharap temuan ini dapat memberikan arah baru dan inspirasi bagi penelitian lanjutan dalam bidang ini. Selain itu, model regresi linear kami juga berpotensi menjadi referensi yang berguna bagi penelitian- penelitian selanjutnya. Dengan kualitas prediksi yang terbukti tinggi. Model ini dapat diadopsi dalam berbagai praktis, seperti perencanaan keuangan, analisis pasar, dan peramalan data ekonomi. Kami percaya bahwa model kami dapat memberikan manfaat nyata dan relevan bagi masyarakat serta menjadi pijakan yang solid untuk penelitian lebih lanjut.

4. REFERENSI

[1] R. R. A. S. Christianingrum, “FAKTOR- FAKTOR YANG MEMENGARUHI INFLASI INTI DI INDONESIA,” vol. 4, no. gambar 1, pp. 19–40, 2019.

[2] E. F. B. Simanungkalit, “Pengaruh Inflasi Terhadap Pertumbuhan Ekonomi Di Indonesia,” J. Manag. Small Mediu.

Enterp., vol. 13, no. 3, pp. 327–340, 2020, doi: 10.35508/jom.v13i3.3311.

[3] L. Hawiwika, “DETERMINASI INDEKS

HARGA SAHAM GABUNGAN:

ANALISIS PENGARUH BI RATE, KURS RUPIAH DAN TINGKAT INFLASI (LITERATURE REVIEW MANAJEMEN KEUANGAN),” J. Ekon.

Manaj. Sist. Inf., vol. 2, no. 5, pp. 650–

658, Jul. 2021, doi:

10.31933/jemsi.v2i5.598.

[4] A. Wanto and A. P. Windarto, “Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation,” J. Penelit. Tek. Inform.

Sink., vol. 2, no. 2, pp. 37–43, 2017.

[5] I. Ardiyani and C. Armereo, “Pengaruh Suku Bunga, Inflasi, Nilai Buku Terhadap Harga Saham Perusahaan Indeks Lq45

Yang Terdaftar di Bursa Efek Indonesia (BEI),” J. Ilm. Orasi Bisni, vol. 15, pp.

44–64, 2016.

[6] A. C. Koloay, H. Tumaliang, and M.

Pakiding, “Perencanaan Dan Pemenuhan Kebutuhan Energi Listrik Di Kota Bitung,” J. Tek. Elektro dan Komput., vol.

7, no. 3, pp. 285–294, 2018.

[7] F. Gullo, “From Patterns in Data to Knowledge Discovery: What Data Mining Can Do,” Phys. Procedia, vol. 62,

pp. 18–22, 2015, doi:

10.1016/j.phpro.2015.02.005.

[8] S. P. Tamba, A. W. Tan, Y. Gunawan, and ..., “Penerapan Data Mining Untuk Pembuatan Paket Promosi Penjualan Menggunakan Kombinasi Fp-Tree Dan Tid-List,” … (Teknik Inf. dan …, vol. 4, 2021.

[9] W. Purba, S. Tamba, and J. Saragih, “The effect of mining data k-means clustering toward students profile model drop out potential,” J. Phys. Conf. Ser., vol. 1007, no. 1, p. 12049, 2018, [Online]. Available:

http://stacks.iop.org/1742- 6596/1007/i=1/a=012049

[10] A. Karpatne et al., “Theory-guided data science: A new paradigm for scientific discovery from data,” IEEE Trans.

Knowl. Data Eng., vol. 29, no. 10, pp.

2318–2331, 2017, doi:

10.1109/TKDE.2017.2720168.

[11] G. N. Ayuni and D. Fitrianah, “Penerapan metode Regresi Linear untuk prediksi penjualan properti pada PT XYZ,” J.

Telemat., vol. 14, no. 2, pp. 79–86, 2019.

[12] B. A. Wisudaningsi, I. Arofah, and K. A.

Belang, “PENGARUH KUALITAS

PELAYANAN DAN KUALITAS

PRODUK TERHADAP KEPUASAN

KONSUMEN DENGAN

MENGGUNAKAN METODE

ANALISIS REGRESI LINEAR BERGANDA,” STATMAT J. Stat. DAN Mat., vol. 1, no. 1, Feb. 2019, doi:

10.32493/sm.v1i1.2377.

[13] S. Ningsih and H. H. Dukalang,

(8)

646

“Penerapan Metode Suksesif Interval pada Analsis Regresi Linier Berganda,”

Jambura J. Math., vol. 1, no. 1, pp. 43–53, Jan. 2019, doi: 10.34312/jjom.v1i1.1742.

[14] H. Sulastri and A. I. Gufroni,

“PENERAPAN DATA MINING

DALAM PENGELOMPOKAN

PENDERITA THALASSAEMIA,” J.

Nas. Teknol. dan Sist. Inf., vol. 3, no. 2, pp. 299–305, Sep. 2017, doi:

10.25077/TEKNOSI.v3i2.2017.299-305.

[15] T. Hartati, O. Nurdiawan, and E. Wiyandi,

“Analisis Dan Penerapan Algoritma K- Means Dalam Strategi Promosi Kampus Akademi Maritim Suaka Bahari,” J. Sains Teknol. Transp. Marit., vol. 3, no. 1, pp.

1–7, 2021, doi:

10.51578/j.sitektransmar.v3i1.30.

[16] S. Defiyanti and M. Kom, “Analisis dan Prediksi Kinerja Mahasiswa Menggunakan Teknik Data Mining,”

Tahun, vol. 2, no. 2, p. 1, 2013.

[17] D. Gunawan, “Evaluasi Performa Pemecahan Database dengan Metode Klasifikasi Pada Data Preprocessing Data mining,” Khazanah Inform. J. Ilmu Komput. dan Inform., vol. 2, no. 1, pp. 10–

13, Jun. 2016, doi:

10.23917/khif.v2i1.1749.

[18] D. H. Kamagi and S. Hansun,

“Implementasi Data Mining dengan Algoritma C4.5 untuk Memprediksi Tingkat Kelulusan Mahasiswa,” J. Ultim., vol. 6, no. 1, pp. 15–20, Jun. 2014, doi:

10.31937/ti.v6i1.327.

[19] D. Putra and A. Wibowo, “Prediksi Keputusan Minat Penjurusan Siswa SMA Yadika 5 Menggunakan Algoritma Naïve Bayes,” Pros. Semin. Nas. Ris. Dan Inf.

Sci., vol. 2, pp. 84–92, 2020.

[20] A. Saifudin, “Metode Data Mining Untuk Seleksi Calon Mahasiswa,” vol. 10, no. 1, pp. 25–36, 2018.

[21] L. Wiranda and M. Sadikin, “Penerapan Long Short Term Memory Pada Data Time Series Untuk Memprediksi Penjualan Produk Pt. Metiska Farma,” J.

Nas. Pendidik. Tek. Inform., vol. 8, no. 3, pp. 184–196, 2019.

[22] F. Ferdian Harryanto and S. Hansun,

“Penerapan Algoritma C4.5 untuk Memprediksi Penerimaan Calon Pegawai Baru di PT WISE,” 2017.